1.一种基于引导表示的雷达一维距离像自维持增量识别方法，包括以下步骤：S1、构建数据集：

将学习过程划分为基础任务和增量任务两个阶段，基础任务只有一个任务T1，增量任务由多个不相交的任务{T2,T3,...,TT}构成；取雷达一维距离像数据的幅度像数据作为输入，为每个任务分配不同数量的类别，每类目标的样本数相同；定义基础任务的目标类别数为N1，增量任务的数量为T‑1，每个增量任务的目标类别数为N2，总类别数N＝N1+N2×(T‑1)；

S2、数据预处理：

对S1中的所有样本进行归一化处理，将信号强度映射到(‑1，1)上，获得任务t的训练集：其中t代表第t个任务，T代表任务的数量；N表示总类别数目；B代表采样点数；Ki代表第i类目标的训练样本数；训练集的样本标签集表示为：train train

式中y ij表示样本x ij的类别标签；

S3、构建自维持的引导表示网络：网络基础框架是vision transformer，在这个基础上，增加动态查询导航模块扩张vision transformer编码层的输入维度；增加结构扩展模块扩张编码层中后几层的网络结构；具体的：S31、构建预训练好的基础vision transformer网络为 其中φprem(·)表示线性投影模块，φtrans(·)表示transformer编码层；具体的：

1×B

线性投影模块将雷达一维距离像拆分为多个一维块，输入x∈R 被分割成Ne个向量，表示为 再经过线性变换将其转换为适合ViT使用的维度D：在xp之前加入一个可学习的令牌，并添加每个嵌入块的位置信息：编码层共有L层，每一层包含：两个归一化LN、多头注意力MSA、两个dropout以及MLP块，模型的整体输出为最后一层xclass对应的输出：zl'＝dropout(MSA(LN(zl‑1)))+zl‑1,l＝1,...,Lzl＝dropout(MLP(LN(zl')))+zl',l＝1,...,LS32、构建动态查询导航模块，动态查询导航模块的输入为S2中预处理后的结果Xt，通过查找与输入样本最相似的导航，输出M个与token具有相同维度的导航A，具体包括：构建导航池，池中包含两个部分：键值K和导航A，键值和导航一一对应表示为{(k1,A1),(k2,A2),...,(kN,AN)}，共有N个；设计键值与vision transformer的xclass对应的输出具有D相同的维度 设计导航与编码层的单个输入具有相同的维度Ai∈R；

查询得到导航，输入Xt，经过一个预训练好的vision transformer，得到xclass对应位置的输出 计算 与导航池中所有键值的相似度，找到相似程度最高的M个键值对应的索引：扩充输入，由于键值和导航一一对应，根据键值的索引找到M个navigation，表示为Aq；

用Aq代替xclass扩充xe：

S33、构建结构扩展模块，将vision transformer的编码层划分为 层固定层 和层扩展层 固定层在预训练之后冻结，扩展层被结构扩展模块按照元素级求和的方式扩充，具体包括：构建扩展结构，设计扩展结构g与扩展层相同： 个MSA层，每一层包含两个归一化LN、多头注意力MSA、两个dropout以及MLP块；扩展结构在每个任务训练结束后，使用内存数据库中的旧类数据更新；

扩展模型结构，扩展层和扩展结构的输入都是固定层的输出 对于扩展结构，每一层的输入是上一层的输出：pi＝gi(pi‑1)

对于扩展层，每一层的输入是上一层模型的输出与扩展结构输出的元素级求和：其中，qi表示模型的第i层输出， 表示两个向量的对应元素求和；

S4、采用基础数据集的训练样本对S3构建的网络进行训练，模型的损失函数为：L＝Lclass+λLquery

其中，λ为超参数；具体包括：

S41、Lclass的具体形式为：

上式中Lce表示交叉熵损失，y表示样本的标签，是模型在当前样本上的预测结果：其含义是：S32中取出的导航对应位置的输出的平均值在分类器上的输出结果；

S42、Lquery的具体形式为：

上式中q(x)表示S32中计算出的xclass对应位置的输出，kq表示与q(x)相似度最高的M个键值，该损失函数用于更新键值，使得选出的M个键值与q(x)之间的差别更小；

S5、每个任务学习结束之后，为任务中的每个类别选择H个样本保留在样本数据库中；

S6、将待识别的雷达目标一维像数据与之前保留的所有样本共同输入到训练好的模型中进行分类识别。